本文介绍了基于典型相关分析(CCA)的多元变化检测算法MAD，用于遥感影像的变化检测。MAD算法通过最大化投影后的变量相关性来检测变化，并通过迭代加权的IRMAD提升检测效果。实验结果显示，IRMAD能提供更精确、噪声更少的改变区域划分，且与SFA算法相比表现出高精度。
基于典型相关分析的多元变化检测算法
多元变化检测算法(Multivariate Alteration Detection，MAD)由A. A. Nielsen等人在论文Multivariate Alteration Detection (MAD) and MAF Postprocessing in Multispectral, Bitemporal Image Data: New Approaches to Change Detection Studies中首次提出，而后在论文The Regularized Iteratively Reweighted MAD Method for Change Detection in Multi- and Hyperspectral Data中，A. A. Nielsen提出了MAD的迭代版本IRMAD。
MAD基于典型相关分析CCA，是以投影特征差值方差最大化为准则提出的变化检测算法。
1 典型相关分析(CCA)
MAD算法的基础是典型相关分析(Canonical Correlation Analysis, CCA)，因此下面先介绍CCA。CCA是简单相关、多重相关的推广，是研究两组变量之间相关性的一种统计分析方法，CCA也是一种降维技术。CCA是将高维的两组数据分别降维到1维，然后用相关系数分析相关性。降维的原则是降到1维后，两组数据的相关系数最大。
给定两组多元变量X和Y，默认X和Y维数相同，则形式化表示为
{ C = [ X , Y ] T E ( C ) = [ μ X , μ Y ] T Σ = V a r ( C ) = [ Σ X X , Σ X Y Σ Y X , Σ Y Y ] \left\{\begin{matrix}C=\left[X, Y\right]^T \\ E(C) =\left[\mu_X, \mu_Y\right]^T \\ \Sigma= Var(C)=\left[\begin{matrix}\Sigma_{XX},\Sigma_{XY}\\\Sigma_{YX},\Sigma_{YY}\end{matrix}\right] \end{matrix}\right. ⎩⎪⎪⎨⎪⎪⎧C=[X,Y]TE(C)=[μX,μY]TΣ=Var(C)=[ΣXX,ΣXYΣYX,ΣYY]
将X ,Y投影后得到的一维向量 f X f_X fX和 f Y f_Y fY
f X = a T X f Y = a T Y f_X=a^TX \\ f_Y=a^TY fX=aTXfY=aTY
f X f_X fX和 f Y f_Y fY的方差和协方差为
{ v a r ( f X ) = a T Σ X X a v a r ( f Y ) = b T Σ Y Y b c o v ( f X , f Y ) = a T Σ X Y b \left\{\begin{matrix}var(f_X)=a^T\Sigma_{XX}a \\ var(f_Y)=b^T\Sigma_{YY}b \\ cov(f_X,f_Y)=a^T\Sigma_{XY} b \\ \end{matrix}\right. ⎩⎨⎧var(fX)=aTΣXX
最低0.47元/天 解锁文章
扫一扫
1226
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
